与雷达系统和可见光系统相比，红外系统有着许多突出优点：全天时全天候工作、作用距离较远、穿透性强、隐蔽性高、可识别伪装等。因此，红外成像被广泛应用于多个领域，如军事领域中的精确制导、自动控制，民用领域中的治理交通、监视重要场所，医学领域中的医学成像、分析生物组织运动等。而目标检测作为制导系统重要的前端处理模块，是精确制导里最核心的部分。只有将目标及时检测到，后续工作中的目标识别等步骤才能够得以顺利开展。所以，红外小目标检测也毫无疑问成为了研究热点。

近年来，研究人员提出了不同类型的红外小目标检测方法。但对现有方法进行分析，发现仍然存在两个没有解决的问题：1）大多数方法都是基于目标与背景的对比度。然而，红外图像存在着细节信息少、噪声大的缺点，因此，目标往往被淹没在复杂的背景中，使得检测效果并不理想；2）现有的方法主要用于检测周围区域较暗的明亮目标，因为大多数研究人员认为红外图像中目标的灰度值通常高于背景值。然而，背景的灰度值高于目标的情况也是存在的。例如，在森林火灾中，救援的飞机或车辆相对于熊熊燃烧的大火具有低温度的特性，此时，目标呈现暗目标。因此，能够探测到亮度跨度大的目标是至关重要的。

针对以上问题，实验室从不同方面提出了两个方法。

第一个方法是由北京理工大学信息与电子学院博士研究生赵明晶，北京信息科技大学李禄老师，北京理工大学信息与电子学院李伟教授，北京理工大学信息与电子学院陶然教授，中国科学院空天信息创新研究院李利伟老师以及中国科学院空天信息创新研究院张文娟老师共同合作的方法《Infrared Small-Target Detection Based on Multiple Morphological Profiles》，被接收于顶级期刊美国电气和电子工程师协会地学与遥感汇刊[IEEE Transactions on Geoscience and Remote Sensing, 2021](影响因子IF:5.855)。

图1. 论文中所提出的基于多属性形态学的红外小目标检测方法

当目标距离红外探测器的距离超过十公里甚至几十公里时，再加上大气散射/折射、镜头污染/失真、光学散焦、各种噪声等外部影响，红外图像通常信噪比较低，且缺乏细节、纹理信息。而当细节、纹理信息不足时，空间信息是很好的补充，基于以上观测，提出了一种有效的多属性形态学方法。通过最大树与最小树的建树方法，能够检测亮度跨度大的目标（如图1中的亮目标和暗目标）。此外，对于最大树和最小树，分别使用面积属性和高度属性进行剪枝。面积属性能够提取目标尺寸小的特征，高度属性能够提取目标和局部背景对比度相对高的特征。在剪枝时，通过多剪枝值融合的方式，能够提取不同尺寸、不同类型的目标，进一步提高该方法的鲁棒性。在两个合成数据集和六个真实数据集上的实验结果表明，所提出的基于多属性形态学的方法能够优于现有红外小目标检测方法。

第二个方法是由北京理工大学信息与电子学院博士研究生赵明晶，北京理工大学信息与电子学院李伟教授，北京信息科技大学李禄老师，郑州航空工业管理学院马鹏阁老师，惠州学院蔡昭权老师以及北京理工大学信息与电子学院陶然教授共同合作的方法《Three -Order Tensor Creation and Tucker Decomposition for Infrared Small-Target Detection》，被接收于顶级期刊美国电气和电子工程师协会地学与遥感汇刊[IEEE Transactions on Geoscience and Remote Sensing, 2021](影响因子IF:5.855)。

图2. 论文中所提出的基于形态学与张量分解方法相结合的红外小目标检测方法

为了更好的挖掘红外图像中的空间和结构信息，提出了一种基于形态学与张量分解方法相结合的红外小目标检测方法。与传统的通过二维检测红外小目标的方法不同，本方法对通过三阶张量的构建和分解对红外小目标进行检测。据我们所知，这是第一次通过多属性形态学，即树的不同属性（面积属性和高度属性）和不同形状（最大树和最小树）来创建三阶张量，能够在红外图像中补充更多的空间和结构信息。而在进行张量分解时，与传统的从一维进行分解的方法（如主成分分析法）不同，本方法采用Tucker分解从三个维度对背景进行估计和剔除，这对降低虚警率有很大帮助。除此以外，通过设计融合策略，将多属性形态学和通过不连续的剪枝值得到的多个组的检测图进行融合，进一步增强目标，从而获得更稳健的性能。通过在合成和真实数据集上的实验，验证了该方法的有效性和鲁棒性，该方法可以检测各种场景下不同亮度、不同空间大小、不同强度的目标。

论文链接1：https://doi.org/10.1109/TGRS.2020.3022863

论文链接2：https://doi.org/10.1109/TGRS.2021.3057696